Luận văn thạc sĩ ứng dụng luật kết hợp trên hệ thống thông tin nhị phân để xây dựng bài toán tư vấn xây dựng

TRƯỜNG ĐẠI HỌC sư PHẠM HÀ NỘI 2 _•

Bộ GIÁO DỤC VÀ ĐÀO TẠO

LỖ THỊ THU VÂN

ỨNG DỤNG LUẬT KÉT HỢP TRÊN HỆ THÓNG THÔNG TIN NHỊ PHÂN
ĐÉ XÂY DƯNG BÀI TOÁN
Tư VẤN XÂY DựNG

LUẬN VĂN THẠC sĩ MÁY TÍNH


TRƯỜNG ĐAI HOC sư PHAM HÀ NỘI 2

LỖ THỊ THU VÂN

ỨNG DỤNG LUẬT KẾT HỢP TRÊN HỆ THỐNG
THÔNG TIN NHỊ PHÂN ĐẺ XÂY DƯNG BÀI TOÁN
Tư VẤN XÂY DựNG

Chuyên ngành: Khoa học máy tính
Mã số: 60 48 01 01

LUẬN VĂN THẠC sĩ MÁY TÍNH

Ngưòi hướng dẫn khoa học: PGS.TS. Lê Huy Thập


Em xỉn chân thành cảm ơn thầy giảo PGS. TS Lê Huy Thập đã nhiệt tình
hướng dẫn và giúp đỡ em trong suốt quả trình làm luận văn.

Em cũng xỉn gửi lời cảm ơn chân thành đến tất cả các thầy cô phòng Sau đại
học trường Đại học Sư phạm Hà Nội 2 và các thầy cô bộ môn đã tận tình giúp đỡ,
LỜI CẢM ƠN
giảng dạy, cung cấp cho em những kiến thức quỷ giả trong suốt quá trình học tập tại
trường.
Cuối cùng xin cảm ơn gia đình, bạn bè, đồng nghiệp đã luôn động viên và
giúp đỡ trong suốt thời gian học tập cũng như thời gian thực hiện luận văn này.

Hà Nội, tháng 12 năm 2015
Tác giả


Lỗ Thị Thu Vân
Tôi xin cam đoan đây là kết quả nghiên cứu của tôi dưới sự hướng dẫn khoa
học của PGS. TS Lê Huy Thập.
Các số liệu, kết quả nêu trong luận văn là trung thực và chưa từng được ai
công bố trong bất kỳ công trình nào khác.

LỜI CẢM ƠN

Hà Nội, tháng 12 năm 2015
Tác giả

Lỗ Thị Thu Vân


Kí hiêu
•

Ý nghĩa

CSDL

Cơ sở dư lịêu

D

cơ sở dữ liệu giao dịch

DL

DÌr liêu

DM

Data mining (khai pha dư liêu)

KDD

Knowledge discovery ( phát hiện tri thức)

KPDL

Khai pha dư lịêu

DWT

Kỹ nghệ kho dữ liệu

DW

Kho dĩr lịêu

0

Độ hỗ trợ ( support)

p

Độ tin cậy (confidence)

n

Phép giao

u

Phép họp

0
C

Tập rỗng

e

Thuộc

Ck

Tập các k-itemset ứng viên

TID

Tập các giao dịch

c:

Tập các k-itemset ứng viên mà TID của giao dịch sinh ra
liên k với tập mục ứng viên

LỜI CẢM ƠN

Tập con


LỜI CẢM ƠN


MỤC LỤC


8
LỜI MỞ ĐẦU
Sự phát triển mạnh mẽ của công nghệ phần cứng đã tạo ra những máy tính
ngày càng có khả năng lưu trữ cao, có dung lượng lớn, chất lượng cao và giá thành
ngày càng rẻ, đồng thời với sự phát triển vượt bậc của công nghệ thông tin và việc
ứng dụng công nghệ thông tin trong rất nhiều lĩnh vực của đời sống, kinh tế xã hội
trong thời gian qua, sự bùng nổ thông tin cũng đồng nghĩa với lượng dữ liệu mà các
cơ quan thu được và tích lũy ngày càng tăng. Các kho dữ liệu - nguồn tri thức của

nhân loại trở nên vô cùng hữu ích nếu ta có thể khai thác nó. Cá nhân hay tổ chức nào
thu thập, phân tích, hiểu được thông tin và hành động dựa vào những nguồn thông tin
đó sẽ đạt được những thành công. Đặc biệt trong môi trường cạnh tranh, người ta cần
có nhiều thông tin với tốc độ nhanh để trợ giúp việc ra quyết định và có nhiều câu hỏi
mang tính chất định tính cần phải trả lời dựa trên một khối lượng dữ liệu khổng lồ đã
có. vấn đề là khai thác các nguồn tri thức đó như thế nào đã trở nên nóng bỏng và đặt
ra một thách thức lớn cho nền công nghệ thông tin.
Các mô hình cơ sở dữ liệu truyền thống và các ngôn ngữ thao tác dữ liệu chưa
đáp ứng được những yêu cầu đó. Ngày nay, để giải quyết các vấn đề này có một
hướng đi mới đó là khai phá dữ liệu và phát hiện tri thức (Knowledge discovery and
datamining). Việc nghiên cứu các mô hình dữ liệu mới và áp dụng được các phương
pháp khai phá dữ liệu là một xu thế tất yếu vừa có ý nghĩa khoa học vừa mang ý nghĩa
thực tiễn cao.
Khai phá dữ liệu đã và đang được nghiên cứu, ứng dụng trong nhiều lĩnh vực
khác nhau ở các nước trên thế giới, tại Việt Nam cũng đang được nghiên cứu và dần
đưa vào ứng dụng. Ngày nay, khai phá dữ liệu đã trở thành một lĩnh vực nghiên cứu
thu hút sự quan tâm của rất nhiều người trên những lĩnh vực như hệ cơ sở dữ liệu,
thống kê, nhận dạng, trí tuệ nhân tạo,...
Một trong những nội dung cơ bản và phổ biến nhất trong khai phá dữ liệu là


9
phát hiện các luật kết họp. Phương pháp này nhằm tìm ra tập các thuộc tính thường
xuất hiện đồng thời trong cơ sở dữ liệu và rút ra các luật về ảnh hưởng của một tập
thuộc tính dẫn đến sự xuất hiện của một (hoặc một tập) thuộc tính khác nhau như thế
nào.
Từ khi bài toán khai phá luật kết họp trong khai phá dữ liệu được giới thiệu,
nhiều thuật toán đã được đề xuất để tìm luật kết họp trong các cơ sở dữ liệu lớn trong
đó có bài toán khai phá luật kết họp trên hệ thông tin nhị phân.
Trong thực tế một số công việc bao gồm một nhóm các công việc, các công

việc trong nhóm cần phải được thực hiện đồng bộ theo kiểu tuần tự hay song song,...
tức là khi thực hiện một số công việc này thì bắt buộc đã, đang hoặc sẽ phải thực hiện
một nhóm công việc khác, chẳng hạn khi trộn vữa thì kéo theo việc đổ móng, đổ trần
hay xây tường hoặc ngược lại, v.v... vấn đề như vậy liên quan đến khai phá luật kết
họp trên hệ thống thông tin nhị phân mà chúng ta sẽ nghiên cứu trong đề tài: “ứng
dụng luật kết họp trên hệ thống thông tin nhị phân để xây dựng bài toán tư vấn xây
dựng”.
Mục đích nghiên cứu
Dùng khai phá dữ liệu đặc biệt là khai phá luật kết họp trên hệ thống thông tin
nhị phân để lập trình ứng dụng.
Nhiệm vụ nghiên cứu
Nghiên cứu kỹ nghệ kho dữ liệu.
Nghiên cứu khai phá dữ liệu.
Ngôn ngữ lập trình.
Đối tượng và phạm vỉ nghiên cứu
Khai phá dữ liệu và ứng dụng.
Nội dung luận văn được trình bày trong 3 chương và phần kết luận:
Chương 1: Tổng quan về khai phá dữ liệu. Trong đó giới thiệu tổng quan về


1
quá trình khai phá dữ liệu, kiến trúc của một hệ thống khai phá dữ liệu, nhiệm vụ
chính, các phương pháp khai phá và các ứng dụng của khai phá dữ liệu.
Chương 2: Khai phá luật kết họp trên hệ thống thông tin nhị phân. Chương này
trình bày tổng quan về luật kết họp, phát biểu bài toán khai phá dữ liệu, phát hiện luật
kết họp, các khái niệm cơ bản luật kết họp và các phương pháp khai phá luật kết họp,
khai phá luật kết hợp trên hệ thông tin nhị phân.
Chương 3: ứng dụng luật kết họp trên hệ thống thông tin nhị phân để xây
dựng bài toán tư vấn xây dựng.

.

.1.

Tổng quan kho dữ liệu

1
Đinh nghĩa kỹ nghê kho dữ liêu và kho dữ liêu Định nghĩa 1.1. Kỹ nghệ kho dữ liệu:
Chương 1.technology)
Cơ SỞ LÝ là
THUYẾT
Kỹ nghệ kho dữ liệu (DWT - Data warehouse
tập các phương pháp, kỹ thuật và các công cụ có thể kết

họp, hỗ trợ nhau để cung cấp thông tin cho người sử dụng trên cơ sở tích họp từ nhiều nguồn dữ liệu, nhiều môi trường khác
nhau. (Theo John Ladley)
Định nghĩa 1.2. Kho dữ liệu:
Kho dữ liệu (DW-Data warehouse), là tuyển chọn các CSDL tích họp, hướng theo các chủ đề nhất định, được thiết kế
để hỗ trợ cho chức năng trợ giúp quyết định, mà mỗi đơn vị dữ liệu liên quan đến một khoảng thời gian cụ thể. Kho dữ liệu
thường có dung lượng rất lớn, thường là hàng Gigabytes hay có khi tới hàng Terabytes.
Kho dữ liệu được xây dựng để tiện lợi cho việc truy cập từ nhiều nguồn, nhiều kiểu dữ liệu khác nhau sao cho có thể
kết họp được cả những ứng dụng của các công nghệ hiện đại và vừa có thể kế thừa được từ các hệ thống đã có từ trước. Dữ
liệu được phát sinh từ các hoạt động hàng ngày và được thu thập xử lý để phục vụ công việc nghiệp vụ cụ thể của một tổ chức,
vì vậy thường được gọi là dữ liệu tác nghiệp và hoạt động xử lý dữ liệu này gọi là xử lý giao dịch trực tuyến (OLPT-Online
transaction processing). Dòng dữ liệu trong một tổ chức (cơ quan, xí nghiệp, công ty, ...) có thể mô tả khái quát như sau:

Hình 1.1 Luồng dữ liệu trong một tổ chức
Dữ liệu cá nhân không thuộc phạm vi quản lý của hệ quản trị kho dữ liệu. Nó chứa các thông tin được trích xuất ra từ
các hệ thống dữ liệu tác nghiệp, kho dữ liệu và từ những kho dữ liệu cục bộ của những chủ đề liên quan bằng các phép gộp,

tổng họp hay xử lý theo một cách nào đó [5].

.2.

Muc đích của kho dữ liêu
*•
Mục tiêu chính của kho dữ liệu nhằm đáp ứng các tiêu chuẩn cơ bản:

Phải có khả năng đáp ứng mọi yêu cầu về thông tin của người sử


dụng.
1 việc của mình, ví dụ như: có những quyết định họp lý, nhanh
Hỗ trợ để các nhân viên của tổ chức thực hiện tốt, hiệu quả công
và bán được nhiều hàng hơn, năng suất cao hơn, thu được lợi nhuận cao hơn.
Chương 1. Cơ SỞ LÝ THUYẾT
Giúp cho tổ chức xác định, quản lý và điều hành các dự án, các nghiệp vụ một cách hiệu quả và chính xác.
Tích hợp dữ liệu và siêu dữ liệu từ nhiều nguồn khác nhau.
Muốn đạt được những yêu cầu trên thì DW phải:
Tăng chất lượng dữ liệu bằng các phương pháp làm sạch và tinh lọc.
Tổng hợp và kết nối dữ liệu.
Đồng bộ hoá các nguồn dữ liệu với DW.
Phân định và đồng nhất các hệ quản trị CSDL tác nghiệp như là các công cụ chuẩn để phục vụ cho DW.
Quản lí siêu dữ liệu (metadata)
Cung cấp thông tin tích họp, tóm tắt hoặc được liên kết, tổ chức theo các chủ đề.

Các kết quả khai thác kho dữ liệu được dùng trong hệ thống hỗ trợ quyết định (DSS-Decision support system), các hệ
thống thông tin tác nghiệp hoặc hỗ trợ cho các truy vấn đặc biệt.

.3.

Đăc tính của dữ liêu trong kho dữ liêu
Kho dữ liệu là một tập họp dữ liệu có các đặc tính sau:

Tính tích họp (Intergration)
Tính hướng chủ đề (Subject-Oriented)
Tính ổn định (Nonvolatility)
Tính tổng họp (summarization Data)
Tính tích hợp
Dữ liệu trong kho dữ liệu được tổ chức theo nhiều cách khác nhau sao cho phù họp với các quy ước đặt tên, thống nhất
về số đo, cơ cấu mã hoá và cấu trúc vật lý của dữ liệu,... Một kho dữ liệu là một khung nhìn thông tin mức toàn bộ đơn vị sản
xuất kinh doanh đó, thống nhất toàn bộ các khung nhìn khác nhau thành một khung nhìn theo một chủ điểm nào đó. Ví dụ, hệ
thống xử lý giao dịch trực tuyến (OLAP) truyền thống được xây dựng trên một vùng nghiệp vụ. Một hệ thống bán hàng và một
hệ thống tiếp thị (marketing) có thể có chung một dạng thông tin khách hàng. Tuy nhiên, các vấn đề về tài chính cần có một
khung nhìn khác về khách hàng. Khung nhìn đó bao gồm các phần dữ liệu khác nhau về tài chính và marketing.


Tính tích hợp thể hiện ở chỗ: dữ liệu tập hợp trong kho dữ liệu được thu thập từ nhiều nguồn được trộn ghép với nhau
thành một thể thống nhất.

1

Tính hướng chủ đề

Chương 1. Cơ SỞ LÝ THUYẾT
Dữ liệu trong kho dữ liệu được tổ chức theo chủ đề phục vụ cho tổ chức dễ dàng xác định được các thông tin cần thiết

trong từng hoạt động của mình. Ví dụ, trong hệ thống quản lý tài chính cũ có thể có dữ liệu được tổ chức cho các chức năng:
cho vay, quản lý tín dụng, quản lý ngân sách,... Ngược lại, trong kho dữ liệu về tài chính, dữ liệu được tổ chức theo chủ điểm
dựa vào các đối tượng: khách hàng, sản phẩm, các xí nghiệp,... Sự khác nhau của hai cách tiếp cận trên dẫn đến sự khác nhau

về nội dung dữ liệu lưu trữ trong hệ thống.
Một số nhận xét:
1/ Kho dữ liệu có thể không cần không lưu trữ dữ liệu chi tiết, chỉ cần lưu trữ dữ liệu mang tính tổng họp phục vụ chủ
yếu cho quá trình phân tích để trợ giúp quyết định.
2/ Kho dữ liệu có thể phải lưu dữ liệu dạng CSDL cần cho các ứng dụng tác nghiệp. Do vậy, các hệ thống ứng dụng tác
nghiệp (Operational Application System - OAS) cần lưu trữ dữ liệu chi tiết. Mối quan hệ của dữ liệu trong hệ thống này cũng
khác, đòi hỏi phải có tính chính xác, có tính thời sự,...
3/ Dữ liệu trong kho cũng có thể cần gắn với thời gian và có tính lịch sử. Kho chứa dữ liệu bao hàm một khối lượng lớn
dữ liệu có tính lịch sử. Dữ liệu được lưu trữ thành một loạt các snapshot (ảnh chụp dữ liệu). Mỗi bản ghi phản ánh những giá
trị của dữ liệu tại một thời điểm nhất định thể hiện khung nhìn của một chủ điểm trong một giai đoạn. Do vậy cho phép khôi
phục lại lịch sử và so sánh tương đối chính xác các giai đoạn khác nhau. Yếu tố thời gian có vai trò như một phần của khoá để
đảm bảo tính đơn nhất của mỗi sản phẩm hàng hoá và cung cấp đặc trưng về thời gian cho dữ liệu. Ví dụ, trong hệ thống quản
lý kinh doanh cần có dữ liệu lưu trữ về đơn giá của mặt hàng theo ngày (đó chính là yếu tố thời gian).
Dữ liệu trong OAS thì cần phải chính xác tại thời điểm truy cập, còn ở
DW thì chỉ cần có hiệu lực trong khoảng thời gian nào đó, trong khoảng 5 đến 10 năm hoặc lâu hơn. Dữ liệu của CSDL tác
nghiệp thường sau một khoảng thời gian nhất định sẽ trở thành dữ liệu lịch sử và chúng sẽ được chuyển vào trong kho dữ liệu.
Đó chính là những dữ liệu họp lý về những chủ điểm cần lưu trữ.
Dữ liêu có tính ổn đinh
••
Dữ liệu trong DW là dữ liệu chỉ đọc và chỉ có thể được kiểm tra, không thể được thay đổi bởi người dùng đầu cuối


(terminal users). Nó chỉ cho phép thực hiện 2 thao tác cơ bản là nạp dữ liệu vào kho và truy cập vào các cung trong DW. Do
vậy, dữ liệu không biến động.

1

Thông tin trong DW phải được tải vào sau khi dữ liệu trong hệ thống điều hành được cho là quá cũ. Tính không biến
Chương 1. Cơ SỞ LÝ THUYẾT
động thể hiện ở chỗ: dữ liệu được lưu trữ lâu dài trong kho dữ liệu. Mặc dù có thêm dữ liệu mới nhập vào nhưng dữ liệu cũ

trong kho dữ liệu vẫn không bị xoá hoặc thay đổi. Điều đó cho phép cung cấp thông tin về một khoảng thời gian dài, cung cấp
đủ số liệu cần thiết cho các mô hình nghiệp vụ phân tích, dự báo. Từ đó có được những quyết định họp lý, phù họp với các quy
luật tiến hoá của tự nhiên.
Dữ liệu tổng hợp
Dữ liệu tác nghiệp thuần tuý không được lưu trữ trong DW. Dữ liệu tổng hợp được tích hợp lại qua nhiều giai đoạn
khác nhau theo các chủ điểm đã nêu ở trên, phương pháp này cũng đối diện với thách thức về mặt hiệu quả và quy mô.

.4.

Phân biệt kho dữ liệu vối các cơ sở dữ liệu tác nghiệp
Trên cơ sở các đặc trưng của DW, ta phân biệt DW với những hệ quản trị CSDL tác nghiệp truyền thống:
- Kho dữ liệu phải được xác định hướng theo chủ đề. Nó được thực hiện theo ý đồ của người sử dụng đầu cuối. Trong

khi đó các hệ CSDL tác
nghiệp dùng để phục vụ các mục đích áp dụng chung.
Những hệ CSDL thông thường không phải quản lý những lượng thông tin lớn mà quản lý những lượng thông tin vừa và nhỏ.
DW phải quản lý một khối lượng lớn các thông tin được lưu trữ trên nhiều phương tiện lưu trữ và xử lý khác nhau. Đó cũng là
đặc thù của DW.
DW có thể ghép nối các phiên bản (version) khác nhau của các cấu trúc CSDL. DW tổng hợp thông tin để thể hiện chúng dưới
những hình thức dễ hiểu đối với người sử dụng.
DW tích họp và kết nối thông tin từ nhiều nguồn khác nhau trên nhiều loại phương tiện lưu trữ và xử lý thông tin nhằm phục
vụ cho các ứng dụng xử lý tác nghiệp trực tuyến.
DW có thể lưu trữ các thông tin tổng họp theo một chủ đề nghiệp vụ nào đó sao cho tạo ra các thông tin phục vụ hiệu quả cho
việc phân tích của người sử dụng.
DW thông thường chứa các dữ liệu lịch sử kết nối nhiều năm trước của các thông tin tác nghiệp được tổ chức lưu trữ có hiệu
quả và có thể được hiệu chỉnh lại dễ dàng. Dữ liệu trong CSDL tác nghiệp thường là mới, có tính thời sự trong một khoảng
thời gian ngắn.


Dữ liệu trong CSDL tác nghiệp được chắt lọc và tổng hợp lại để chuyển sang môi trường DW. Rất nhiều dữ liệu khác không

1
được chuyển về DW, chỉ những dữ liệu cần thiết cho công tác quản
lý hay trợ giúp quyết định mới được chuyển sang DW.
Nói một cách tổng quát, DW làm nhiệm vụ phân phát dữ liệu cho nhiều đối tượng (khách hàng), xử lý thông tin nhiều
Chương 1. Cơ SỞ LÝ THUYẾT
dạng như: CSDL, truy vấn dữ liệu (SQL query), báo cáo (report)..v..v..

.

.1.

Tổng quan khai phá dữ liệu
Khái quát khai phá dữ liệu
Thông thường chúng ta coi dữ liệu như một dãy các bit, hoặc các số và các ký hiệu, hoặc các “đối tượng” với một ý

nghĩa nào đó khi được gửi cho một chương trình dưới một dạng nhất định. Chúng ta sử dụng các bit để đo lường các thông tin
và xem nó như là các dữ liệu đã được lọc bỏ các dư thừa, được rút gọn tới mức tối thiểu để đặc trưng một cách cơ bản cho dữ
liệu. Chúng ta có thể xem tri thức như là các thông tin tích họp, bao gồm các sự kiện và các mối quan hệ giữa chúng. Các mối
quan hệ này có thể được hiểu ra, có thể được phát hiện, hoặc có thể được học. Nói cách khác, tri thức có thể được coi là dữ liệu
có độ trừu tượng và tổ chức cao.
Phát hiện tri thức trong các CSDL là một qui trình nhận biết các mẫu hoặc các mô hình trong dữ liệu với các tính năng:
họp thức, mới, có ích, và có thể hiểu được. Còn khai thác dữ liệu là một bước trong qui trình phát hiện tri thức gồm có các
thuật toán khai thác dữ liệu chuyên dùng dưới một số qui định về hiệu quả tính toán chấp nhận được để tìm ra các mẫu hoặc
các mô hình trong dữ liệu. Nói một cách khác, mục đích của phát hiện tri thức và khai phá dữ liệu chính là tìm ra các mẫu
và/hoặc các mô hình đang tồn tại trong các CSDL nhưng vẫn còn bị che khuất bởi hàng núi dữ liệu.

.2.

Định nghĩa khai phá dữ liệu
Khai phá dữ liệu được dùng để mô tả quá trình phát hiện ra tri thức trong CSDL. Quá trình này kết xuất ra các tri thức

tiềm ẩn từ dữ liệu giúp cho việc dự báo trong kinh doanh, các hoạt động sản xuất,... Khai phá dữ liệu làm giảm chi phí về thời
gian so với phương pháp truyền thống trước kia (ví dụ như phương pháp thống kê). Sau đây là các định nghĩa mang tính mô tả
của nhiều tác giả về khai phá dữ liệu:
Định nghĩa của Ferruzza: “Khai phá dữ liệu là tập hợp các phương pháp được dùng trong tiến trình khám phá tri thức để chỉ ra
sự khác biệt các mối quan hệ và các mẫu chưa biết bên trong dữ liệu”. [3]
Định nghĩa của Parsaye: “Khai phá dữ liệu là quá trình trợ giúp quyết định, trong đó chúng ta tìm kiếm các mẫu thông tin
chưa biết và bất ngờ trong CSDL lớn”. [3]
Định nghĩa của Fayyad: “Khai phá tri thức là một quá trình không tầm thường nhận ra những mẫu dữ liệu có giá trị, mới, hữu


ích, tiềm năng và có thể hiểu được”. [3]
Các ứng dụng của khai phá dữ liệu

1

Phát hiện tri thức và khai phá dữ liệu liên quan đến nhiều ngành, nhiều lĩnh vực: thống kê, trí tuệ nhân tạo, CSDL, thuật
Chương 1. Cơ SỞ LÝ THUYẾT
toán, tính toán song song... Khai phá dữ liệu có nhiều ứng dụng trong thực tế, ví dụ như: Bảo hiểm, tài chính và thị trường
chứng khoán: phân tích tình hình tài chính và dự báo giá của các loại cổ phiếu trong thị trường chứng khoán. Danh mục vốn và
giá, lãi suất, dữ liệu thẻ tín dụng, phát hiện gian lận,...
Thống kê, phân tích dữ liệu và hỗ trợ ra quyết định:
Điều trị y học và chăm sóc y tế: một số thông tin về chuẩn đoán bệnh lưu trong các hệ thống quản lý bệnh viện. Phân
tích mối liên hệ giữa các triệu chứng bệnh, chuẩn đoán và phương pháp điều trị.
Sản xuất và chế biến: Quy trình, phương pháp chế biến và xử lý sự cố.
Text mining và Web mining: Phân lóp văn bản và các trang Web, tóm tắt văn bản.
Lĩnh vực khoa học: Quan sát thiên văn, dữ liệu gene, dữ liệu sinh vật học, tìm kiếm, so sánh các hệ gene và thông tin di
truyền, mối liên hệ gene và một số bệnh di truyền,...
Mạng viễn thông: Phân tích các cuộc gọi điện thoại và hệ thống giám sát lỗi, sự cố, chất lượng dịch vụ,...

.3.

Các bước của quá trình khai phá dữ liệu
1 (hình 1.2)
Quy trình phát hiện tri thức thường tuân theo các bước sau

Bước thứ nhất: Hình thành, xác định và định nghĩa bài toán. Là tìm hiểu lĩnh vực ứng dụng từ đó hình thành bài toán,
Chương 1. Cơ SỞ LÝ THUYẾT
xác định các nhiệm vụ cần phải hoàn thành. Bước này sẽ quyết định cho việc rút ra được các tri thức hữu ích và cho phép chọn
các phương pháp khai phá dữ liệu thích hợp với mục đích ứng dụng và bản chất của dữ liệu.
Bước thứ hai: Thu thập và tiền xử lý dữ liệu. Là thu thập và xử lý thô, còn được gọi là tiền xử lý dữ liệu nhằm loại bỏ
nhiễu (làm sạch dữ liệu), xử lý việc thiếu dữ liệu (làm giàu dữ liệu), biến đổi dữ liệu và rút gọn dữ liệu nếu cần thiết, bước này
thường chiếm nhiều thời gian nhất trong toàn bộ qui trình phát hiện tri thức.
1.2.
Cácnhất,...
bước của
quágây
trình
Do dữ liệu được lấy từ nhiều nguồn khác nhau,Hình
không
đồng
có thể
ra các nhàm lẫn. Sau bước này, dữ liệu sẽ nhất
khaỉ phá dữ liệu
quán, đầy đù, được rút gọn và rời rạc hoá.
Bước thứ ba: Khai phá dữ liệu, rút ra các tri thức. Là khai phá dữ liệu, hay nói cách khác là trích ra các mẫu và các mô
hình ần dưới các dữ liệu. Giai đoạn này rất quan trọng, bao gồm các công đoạn như: chức năng, nhiệm vụ và mục đích của
khai phá dữ liệu, dùng phương pháp khai phá nào? Thông thường, các bài toán khai phá dữ liệu bao gồm: các bài toán mang
tính mô tả - đưa ra tính chất chung nhất của dữ liệu, các bài toán dự báo - bao gồm cả việc phát hiện các suy diễn dựa trên dữ

liệu hiện có. Tùy theo bài toán xác định được mà ta lựa chọn các phương pháp khai phá dữ liệu cho phù hợp.


Bước thứ tư: Là hiểu tri thức đã tìm được, đặc biệt là làm sáng tỏ các mô tả và dự đoán. Các bước trên có thể lặp đi lặp
lại một số lần, kết quả thu được có thể được lấy trung bình trên1tất cả các lần thực hiện.
Bước thứ năm: Sử dụng các tri thức phát hiện được. Là hiểu tri thức đã tìm được, đặc biệt là làm sáng tỏ các mô tả và
Chương 1. Cơ SỞ LÝ THUYẾT
dự đoán. Các bước trên có thể lặp đi lặp lại một số lần, kết quả thu được có thể được lấy trung bình trên tất cả các lần thực
hiện. Các kết quả của quá trình phát hiện tri thức có thể được đưa và ứng dụng trong các lĩnh vực khác nhau. Do các kết quả có
thể là các dự đoán hoặc các mô tả nên chúng có thể được đưa vào các hệ thống hỗ trợ ra quyết định nhằm tự động hoá quá
trình này.
Tóm lại: KDD là một quá trình kết xuất ra tri thức từ kho dữ liệu mà trong đó khai phá dữ liệu là công đoạn quan trọng nhất.

.4.

Nhiệm vụ chính trong khai phá dữ liệu
Nhiệm vụ chính trong khai phá dữ liệu bao gồm: Phân lóp, Hồi qui, Phân nhóm, Tổng họp, Mô hình hoá sự phụ thuộc

và phát hiện sự biến đổi và độ lệch.

.4.I.

Phân lóp (phân loại - classification)
Là việc xác định một ánh xạ để ánh xạ các mẫu dữ liệu thỏa mãn ràng buộc nào đó vào cùng một lóp, do đó dữ liệu sẽ

được phân thành các lóp có thể giao nhau hoặc không.
Mục tiêu của thuật toán phân lóp là tìm ra mối quan hệ nào đó giữa thuộc tính dự báo và thuộc tính phân lóp. Như thế
quá trình phân lóp có thể sử dụng mối quan hệ này để dự báo cho các mục mới. Các kiến thức được phát hiện biểu diễn dưới
dạng các luật theo cách sau: “Nếu các thuộc tính dự báo của một mục thoả mãn điều kiện của các tiền đề thì mục nằm trong lóp
chỉ ra trong kết luận”.

Ví dụ: Một mục biểu diễn thông tin về nhân viên có các thuộc tính dự báo là: họ tên, tuổi, giới tính, trình độ học vấn, ...
và thuộc tính phân loại là trình độ của nhân viên.

.4.2.

Hồi qui (regression)
Là việc dùng một hàm dự báo để từ các mẫu dữ liệu đã có hàm dự báo sẽ cho một giá trị thực. Nhiệm vụ của hồi quy

tuơng tự như phân lóp, điểm khác nhau chính là ở chỗ thuộc tính để dự báo là liên tục chứ không phải rời rạc. Việc dự báo các
giá trị số thường được làm bởi các phương pháp thống kê cổ điển, chẳng hạn như hồi quy tuyến tính. Tuy nhiên, phương pháp
mô hình hoá cũng được sử dụng, ví dụ: cây quyết định.
ứng dụng của hồi quy là rất nhiều: dự báo thời tiết, ước lượng sác xuất người bệnh có thể chết bằng cách kiểm tra các
triệu chứng; dự báo nhu cầu của người dùng đối với một sản phẩm, khoáng sản v,v,...


.4.3.

Phân nhóm (clustering)
1 mô tả dữ liệu. Các nhóm có thể tách nhau hoặc phân cấp hay
Là việc mô tả chung để tìm ra các tập hay các nhóm, loại

gối lên nhau. Có nghĩa là dữ liệu có thể vừa thuộc nhóm này lại vừa thuộc nhóm khác. Các ứng dụng khai phá dữ liệu có
Chương 1. Cơ SỞ LÝ THUYẾT
nhiệm vụ phân nhóm như phát hiện tập các khách hàng có phản ứng giống nhau trong CSDL tiếp thị; xác định các quang phổ
từ các phương pháp đo tia hồng ngoại,... Liên quan chặt chẽ đến việc phân nhóm là nhiệm vụ đánh giá dữ liệu, hàm mật độ xác
suất đa biến/ các trường trong CSDL.

.4.4.

Tổng họp (summarization)

Là công việc liên quan đến các phương pháp tìm kiếm một mô tả tập con dữ liệu. Kỹ thuật tổng hợp thường áp dụng

trong việc phân tích dữ liệu có tính thăm dò và báo cáo tự động.
Nhiệm vụ chính là sản sinh ra các mô tả đặc trưng cho một lóp. Mô tả loại này là một kiểu tổng hợp, tóm tắt các đặc
tính chung của tất cả hay hầu hết các mục của một lóp. Các mô tả đặc trưng thể hiện theo luật có dạng sau: “Nếu một mục
thuộc về lóp đã chỉ trong tiền đề thì mục đó có tất cả các thuộc tính đã nêu trong kết luận”. [3]
1.2.5. Các phương pháp khai phá dữ diệu
Quá trình khai phá dữ liệu là quá trình phát hiện mẫu, trong đó phương pháp khai phá dữ liệu để tìm kiếm các mẫu đáng
quan tâm theo dạng xác định. Có thể kể ra đây một vài phương pháp như: Sử dụng công cụ truy vấn, xây dựng cây quyết định,
dựa theo khoảng cách (K-láng giềng gần), giá trị trung bình, phát hiện luật kết họp,... Các phương pháp trên có thể được phỏng
theo và được tích họp vào các hệ thống lai để khai phá dữ liệu theo thống kê trong nhiều năm nghiên cứu.

.5.I.

Các thành phần của giải thuật khai phá dữ liệu
Giải thuật khai phá dữ liệu bao gồm 3 thành phần chính như sau: biểu diễn mô hình, kiểm định mô hình và phương

pháp tìm kiếm.
Biểu diễn mô hình'. Mô hình được biểu diễn theo một ngôn ngữ nào đó để miêu tả các mẫu có thể khai thác được. Mô tả
mô hình rõ ràng thì học máy sẽ tạo ra mẫu có mô hình chính xác cho dữ liệu. Tuy nhiên, nếu mô hình quá lớn thì khả năng dự
đoán của học máy sẽ bị hạn chế. Như thế sẽ làm cho việc tìm kiếm phức tạp hơn cũng như hiểu được mô hình là không đơn
giản hoặc sẽ không thể có các mẫu tạo ra được một mô hình chính xác cho dữ liệu. Một điều cũng khá quan trọng là người
thiết kế giải thuật cũng phải diễn tả được các giả thiết mô tả nào được tạo ra bởi giải thuật nào. Khả năng miêu tả mô hình càng
lớn thì càng làm tăng mức độ nguy hiểm do bị học quá và làm giảm đi khả năng dự đoán các dữ liệu chưa biết. Hơn nữa, việc
tìm kiếm sẽ càng trở lên phức tạp hơn và việc giải thích mô hình cũng khó khăn hơn.


Mô hình ban đầu thường được xác định bằng cách kết hợp biến đầu ra với các biến độc lập là biến đầu vào. Sau đó phải
2 kiếm mô hình sẽ đưa ra được một mô hình phù họp với tham
tìm những tham số mà bài toán cần tập trung giải quyết. Việc tìm

số được xác định dựa trên dữ liệu. Trong một số trường họp, tập các dữ liệu được chia thành tập dữ liệu học và tập dữ liệu thử.
Chương 1. Cơ SỞ LÝ THUYẾT
Tập dữ liệu học được dùng để làm cho tham số của mô hình phù họp với dữ liệu. Mô hình sau đó sẽ được đánh giá bằng cách
đưa các dữ liệu thử vào mô hình và thay đổi các tham số cho phù họp nếu cần.
Kiếm định mô hình (model evaluation): Là việc đánh giá, ước lượng các mô hình chi tiết, chuẩn trong quá trình xử lý
và phát hiện tri thức với sự ước lượng có dự báo chính xác hay không và có thoả mãn cơ sở logic hay không? Ước lượng phải
được đánh giá chéo (cross validation) với việc mô tả đặc điểm bao gồm dự báo chính xác, tính mới lạ, tính hữu ích, tính hiểu
được phù họp với các mô hình. Hai phương pháp logic và thống kê chuẩn có thể sử dụng trong mô hình kiểm định. [3]
Phương pháp tìm kiếm:
Phương pháp gồm hai thành phần: Tìm kiếm tham số và tìm kiếm mô
hình.
Tìm kiếm tham số. Giải thuật cần tìm kiếm các tham số để tối ưu hóa các tiêu chuẩn đánh giá mô hình với các dữ liệu quan sát
được và với một mô tả mô hình đã định. Việc tìm kiếm không cần thiết đối với một số bài toán đơn giản. Đối với các mô hình
chung thì không có các cách này, khi đó giải thuật “tham lam” thường được sử dụng lặp đi lặp lại. Ví dụ như phương pháp
giảm gradient trong giải thuật lan truyền ngược (backpropagation) cho các mạng neuron.[3]
Tìm kiếm mô hình xảy ra giống như một vòng lặp qua phương pháp tìm kiếm tham số: Mô tả mô hình bị thay đổi tạo nên một
họ các mô hình. Với mỗi một mô tả mô hình, phương pháp tìm kiếm tham số được áp dụng để đánh giá chất lượng mô hình.
Các phương pháp tìm kiếm mô hình thường sử dụng các kỹ thuật tìm kiếm heuristic vì kích thước của không gian các mô hình
có thể thường ngăn cản các tìm kiếm tổng thể, hon nữa các giải pháp đon giản theo mẫu đóng (closed form) không dễ đạt
được. [3]

.5.2.

Phương pháp suy diễn / quy nạp

Phương pháp suy diễn: Nhằm rút ra thông tin là kết quả logic của các thông tin trong CSDL. Ví dụ như toán tử liên kết áp
dụng cho bảng quan hệ, bảng đầu chứa thông tin về các nhân viên và phòng ban, bảng thứ hai chứa các thông tin về các phòng
ban và các trưởng phòng. Như vậy sẽ suy ra được mối quan hệ giữa các nhân viên và các trưởng phòng. Phương pháp suy diễn
dựa trên các sự kiện chính xác để suy ra các tri thức mới từ các thông tin cũ. Mầu chiết xuất được bằng cách sử dụng phương
pháp này thường là các luật suy diễn. [3]

Phương pháp quy nạp: Phương pháp quy nạp suy ra các thông tin được sinh ra từ CSDL. Có nghĩa là nó tự tìm kiếm, tạo mẫu
và sinh ra tri thức chứ không phải bắt đầu với các tri thức đã2 biết trước. Các thông tin mà phương pháp này đem lại là các
thông tin hay các tri thức cấp cao diễn tả về các đối tượng trong CSDL. Phương pháp này liên quan đến việc tìm kiếm các mẫu
Chương 1. Cơ SỞ LÝ THUYẾT
trong CSDL. Trong khai phá dữ liệu, quy nạp được sử dụng trong cây quyết định và tạo luật. [3]

.5.3.

Phương pháp K-láng giềng gần
Sự miêu tả các bản ghi trong tập dữ liệu khi trỏ vào không gian nhiều chiều là rất có ích đối với việc phân tích dữ liệu.

Việc dùng các miêu tả này, nội dung của vùng lân cận được xác định, trong đó các bản ghi gần nhau trong không gian được
xem xét thuộc về lân cận (hàng xóm-láng giềng) của nhau. Khái niệm này được dùng trong khoa học kỹ thuật với tên gọi Kláng giềng gần, trong đó K là số láng giềng được sử dụng. Phương pháp này rất hiệu quả nhưng lại đơn giản. Ý tưởng thuật
toán học K-láng giềng gần là “thực hiện như các láng giềng gần của bạn đã làm”.
Ví dụ: Để dự đoán hoạt động của cá thể xác định, K-láng giềng tốt nhất của cá thể được xem xét, và trung bình các hoạt động
của các láng giềng gần đưa ra được dự đoán về hoạt động của cá thể đó.
Kỹ thuật K-láng giềng gần là một phương pháp tìm kiếm đơn giản, nhưng nó có một số mặt hạn chế giới là hạn phạm
vi ứng dụng của nó, đó là thuật toán này có độ phức tạp tính toán là luỹ thừa bậc 2 theo số bản ghi của tập dữ liệu.
Vấn đề chính liên quan đến thuộc tính của bản ghi. Một bản ghi gồm nhiều thuộc tính độc lập, nó được xem là một
điểm trong không gian tìm kiếm có số chiều lớn. Trong các không gian có số chiều lớn, giữa hai điểm bất kỳ hầu như có cùng
khoảng cách. Vì thế mà kỹ thuật K-láng giềng không cho ta thêm một thông tin có ích nào, khi hầu hết các cặp điểm đều là các
láng giềng. Cuối cùng, phương pháp K-láng giềng không đưa ra lý thuyết để hiểu cấu trúc dữ liệu. Hạn chế đó có thể được
khắc phục bằng kỹ thuật cây quyết định

.5.4.

Phương pháp sử dụng cây quyết định và luật
Với kỹ thuật phân lóp dựa trên cây quyết định, kết quả của quá trình xây dựng mô hình sẽ cho ra một cây quyết định.

Cây này được sử dụng trong quá trình phân lóp các đối tượng dữ liệu chưa biết hoặc đánh giá độ chính xác của mô hình.
Tương ứng với hai giai đoạn trong quá trình phân lóp là quá trình xây dựng và sử dụng cây quyết định.
Quá trình xây dựng cây quyết định bắt đầu từ một nút đơn biểu diễn tất cả các mẫu dữ liệu. Sau đó, các mẫu sẽ được
phân chia một cách đệ quy dựa vào việc lựa chọn các thuộc tính. Nếu các mẫu có cùng một lóp thì nút sẽ trở thành lá, ngược
lại ta sử dụng một độ đo thuộc tính để chọn ra thuộc tính tiếp theo làm cơ sở để phân chia các mẫu ra các lóp. Theo từng giá trị
của thuộc tính vừa chọn, ta tạo ra các nhánh tương ứng và phân chia các mẫu vào các nhánh đã tạo. Lặp lại quá trình trên cho


tới khi tạo ra được cây quyết định, tất cả các nút triển khai thành lá và được gán nhãn.
Quá trình đệ quy sẽ dừng lại khi một trong các điều kiện2 sau được thỏa
mãn:
Tất cả các mẫu thuộc cùng một nút.

Chương 1. Cơ SỞ LÝ THUYẾT

Không còn một thuộc tính nào để lựa chọn.
Nhánh không chứa mẫu nào.
Phần lớn các giải thuật sinh cây quyết định đều có hạn chế chung là sử dụng nhiều bộ nhớ. Lượng bộ nhớ sử dụng tỷ lệ
thuận với kích thước của mẫu dữ liệu huấn luyện. Một chương trình sinh cây quyết định có hỗ trợ sử dụng bộ nhớ ngoài song
lại có nhược điểm về tốc độ thực thi. Do vậy, vấn đề tỉa bớt cây quyết định trở nên quan trọng. Các nút lá không ổn định trong
cây quyết định sẽ được tỉa bớt. Kỹ thuật tỉa trước là việc dừng sinh cây quyết định khi chia dữ liệu không có ý nghĩa.

.5.5.

Phương pháp phát hiện luật kết họp
Phương pháp này nhằm phát hiện ra các luật kết họp giữa các thành phần dữ liệu trong CSDL. Mầu đầu ra của giải

thuật khai phá dữ liệu là tập luật kết họp tìm được. Ta có thể lấy một ví dụ đơn giản về luật kết họp như sau: sự kết hợp giữa
hai thành phần A và B có nghĩa là sự xuất hiện của A trong bản ghi kéo theo sự xuất hiện của B trong cùng bản ghi đó: A —»

B.
Cho một lược đồ R = {Ai, ..., Ap} với các thuộc tính Ai, ..., ApVỚi miền giá trị D(Ai), và một quan hệ r trên R. Một
luật kết họp trên r được mô tả dưới dạng X—»B với X c R v ả B e R\x.
Cho w CỊ R, đặt s(W, R) là tần số xuất hiện của w trong R được tính bằng tỷ lệ của các hàng trong r có giá trị 1 tại mỗi
cột thuộc w. Tần số xuất hiện của luật X—»B trong r được định nghĩa là s(X u {B}, R) còn gọi là độ hỗ trợ của luật, độ tin cậy
của luật là s(X u {B}, R)/s(X, R). Ở đây X có thể gồm nhiều thuộc tính, B là giá trị không cố định. Nhờ vậy mà không xảy ra
việc tạo ra các luật không mong muốn truớc khi quá trình tìm kiếm bắt đầu. Điều đó cũng cho thấy không gian tìm kiếm có
kích thước tăng theo hàm mũ của số lượng các thuộc tính ở đầu vào. Do vậy cần phải chú ý khi thiết kế dữ liệu cho việc tìm
kiếm các luật kết họp.
Nhiệm vụ của việc phát hiện các luật kết họp là phải tìm tất cả các luật X—»B sao cho tần số của luật không nhỏ hơn
ngưỡng (độ hỗ trợ) ơ cho trước và độ tin cậy của luật không nhỏ hơn ngưỡng 0 cho trước. Từ một CSDL ta có thể tìm được
hàng nghìn và thậm chí hàng trăm nghìn các luật kết họp.


Ta gọi một tập con X Œ R là thường xuyên trong R nếu thỏa mãn điều kiện s(X,R) > ơ. Nếu biết tất cả các tập thường
2 thuật tìm kiếm các luật kết họp trước tiên đi tìm tất cả các tập
xuyên trong R thì việc tìm kiếm các luật rất dễ dàng. Vì vậy, giải
thường xuyên này, sau đó tạo dựng dần các luật kết họp bằng cách ghép dần các tập thuộc tính dựa trên mức độ thường xuyên.
Chương 1. Cơ SỞ LÝ THUYẾT
Các luật kết họp có thể là một cách hình thức hóa đơn giản. Chúng rất thích họp cho việc tạo ra các kết quả có dữ liệu
dạng nhị phân. Giải thuật tìm kiếm các luật kết họp tạo ra số luật ít nhất phải bằng với số các tập phổ biến và nếu như một tập
phổ biến có kích thước K thì phải có ít nhất là 2K tập phổ biến. Thông tin về các tập phổ biến được sử dụng để ước lượng độ
tin cậy của các tập luật kết hợp.

.6.

Lọi thế của khai phá dữ liệu so với phương pháp cơ bản
Như đã phân tích ở trên, ta thấy phương pháp khai phá dữ liệu không có gì là mới và hoàn toàn dựa trên các phương

pháp cơ bản đã biết. Vậy khai phá dữ liệu có gì khác so với các phương pháp đó? Và tại sao khai phá dữ liệu lại có ưu thế hơn

hẳn chúng? Các phân tích sau đây sẽ giải đáp các câu hỏi này.

.6.I.

Học máy (Machine Learning)
Mặc dù người ta đã cố gắng cải tiến các phương pháp học máy để có thể phù hợp với mục đích khai phá dữ liệu nhưng

sự khác biệt giữa cách thiết kế, các đặc điểm của cơ sở dữ liệu đã làm cho phương pháp học máy trở nên không phù họp với
mục đích này, mặc dù cho đến nay, phần lớn các phương pháp khai phá dữ liệu vẫn dựa trên nền tảng cơ sở của phương pháp
học máy. Những phân tích sau đây sẽ cho thấy điều đó. Trong quản trị cơ sở dữ liệu, một cơ sở dữ liệu là một tập họp được tích
họp một cách logic của dữ liệu được lưu trong một hay nhiều tệp và được tổ chức để lưu trữ có hiệu quả, sửa đổi và lấy thông
tin liên quan được dễ dàng. Ví dụ như trong CSDL quan hệ, dữ liệu được tổ chức thành các tệp hoặc các bảng có các bản ghi
có độ dài cố định. Mỗi bản ghi là một danh sách có thứ tự các giá trị, mỗi giá trị được đặt vào một trường. Thông tin về tên
trường và giá trị của trường được đặt trong một tệp riêng gọi là thư viện dữ liệu (data dictionary). Một hệ thống quản trị cơ sở
dữ liệu sẽ quản lý các thủ tục (procedures) để lấy, lưu trữ, và xử lý dữ liệu trong các cơ sở dữ liệu đó. Trong học máy, thuật
ngữ cơ sở dữ liệu chủ yếu đề cập đến một tập các mẫu (instance hay example) được lưu trong một tệp. Các mẫu thường là các
vector đặc điểm có độ dài cố định. Thông tin về các tên đặc điểm, dãy giá trị của chúng đôi khi cũng được lưu lại như trong từ
điển dữ liệu. Một giải thuật học còn sử dụng tập dữ liệu và các thông tin kèm theo tập dữ liệu đó làm đầu vào và đầu ra biểu thị
kết quả của việc học (ví dụ như một khái niệm).
Với so sánh cơ sở dữ liệu thông thường và CSDL trong học máy như trên, có thể thấy là học máy có khả năng được áp
dụng cho cơ sở dữ liệu, bởi vì không phải học trên tập các mẫu mà học trên tệp các bản ghi của CDSL.


Tuy nhiên, phát hiện tri thức trong cơ sở dữ liệu làm tăng thêm các vấn đề vốn đã là điển hình trong học máy và đã quá
2 không đầy đủ, bị nhiễu, và lớn hơn nhiều so với tập các dữ
khả năng của học máy. Trong thực tế, cơ sở dữ liệu thường động,
liệu học máy điển hình. Các yếu tố này làm cho hầu hết các giải thuật học máy trở nên không hiệu quả trong hầu hết các truờng
Chương 1. Cơ SỞ LÝ THUYẾT
họp. Vì vậy trong khai phá dữ liệu, cần tập trung rất nhiều công sức vào việc vượt qua những khó khăn, phức tạp này trong
CSDL.

.6.2.

Phương pháp hệ chuyên gia
Các hệ chuyên gia cố gắng nắm bắt các tri thức thích họp với bài toán nào đó. Các kỹ thuật thu thập giúp cho việp háp

đó là một cách suy diễn các chuyên gia con người. Mỗi phương pháp đó là một cách suy diễn các luật từ các ví dụ và giải pháp
đối với bài toán chuyên gia đưa ra. Phương pháp này khác với khai phá dữ liệu ở chỗ các ví dụ của chuyên gia thường ở mức
chất lượng cao hơn rất nhiều so với các dữ liệu trong cơ sở dữ liệu, và chúng thường chỉ bao được các trường họp quan trọng.
Hơn nữa, các chuyên gia sẽ xác nhận tính giá trị và hữu dụng của các mẫu phát hiện được. Cũng như với các công cụ quản trị
cơ sở dữ liệu, ở các phương pháp này đòi hỏi có sự tham gia của con người trong việc phát hiện tri thức

.6.3.

Phát kiến khoa hoc

*

Khai phá dữ liệu rất khác với phát kiến khoa học ở chỗ khai phá trong CSDL ít có chủ tâm và có điều kiện hơn. Các dữ
liệu khoa học có từ thực nghiệm nhằm loại bỏ một số tác động của các tham số để nhấn mạnh độ biến thiên của một hay một
số tham số đích. Tuy nhiên, các cơ sở dữ liệu thương mại điển hình lại ghi một số lượng thừa thông tin về các dự án của họ để

đạt được một số mục đích về mặt tổ chức. Độ dư thừa này (hay có thể gọi là sự lẫn lộn - confusion) có thể nhìn thấy và cũng có
thể ẩn chứa trong các mối quan hệ dữ liệu. Hơn nữa, các nhà khoa học có thể tạo lại các thí nghiệm và có thể tìm ra rằng các
thiết kế ban đầu không thích hợp. Trong khi đó, các nhà quản lý cơ sở dữ liệu hầu như không thể xa xỉ đi thiết kế lại các trường
dữ liệu và thu thập lại dữ liệu.

.6.4.

Phương pháp thống kê

Một câu hỏi hiển nhiên là khai phá dữ liệu khác gì so với phưong pháp thống kê. Từ nhiều năm nay, con người đã sử

dụng phương pháp thống kê một cách rất hiệu quả để đạt được mục đích của mình.
Mặc dù các phương pháp thống kê cung cấp một nền tảng lý thuyết vững chắc cho các bài toàn phân tích dữ liệu nhưng
chỉ có tiếp cận thống kê thuần túy thôi chưa đủ. Thứ nhất, các phương pháp thống kê chuẩn không phù họp đối với các kiểu dữ
liệu có cấu trúc trong rất nhiều các CSDL. Thứ hai, thống kê hoàn toàn theo dữ liệu (data driven), nó không sử dụng tri thức


sẵn có về lĩnh vực.
2
Thứ ba, các kết quả phân tích thống kê có thể sẽ rất nhiều
và khó có thể làm rõ được. Cuối cùng, các phương pháp
thống kê cần có sự hướng dẫn của người dùng để xác định phân tích dữ liệu như thế nào và ở đâu.
Chương 1. Cơ SỞ LÝ THUYẾT
Sự khác nhau cơ bản giữa khai phá dữ liệu và thống kê là ở chỗ khai phá dữ liệu là một phương tiện được dùng bởi người sử
dụng đầu cuối chứ không phải là các nhà thống kê. Khai phá dữ liệu tự động quá trình thống kê một cách có hiệu quả, vì vậy
làm nhẹ bớt công việc của người dùng đầu cuối, tạo ra một công cụ dễ sử dụng hơn. Như vậy, nhờ có khai phá dữ liệu, việc dự
đoán và kiểm tra rất vất vả trước đây có thể được đưa lên máy tính, được tính, dự đoán và kiểm tra một cách tự động.

.7.

Lựa chọn phương pháp
Các giải thuật khai phá dữ liệu tự động vẫn mới chỉ ở giai đoạn phát triển ban đầu. Người ta vẫn chưa đưa ra được một

tiêu chuẩn nào trong việc quyết định sử dụng phương pháp nào và trong trường hợp hợp nào thì có hiệu quả.
Hầu hết các kỹ thuật khai phá dữ liệu đều mới đối với lĩnh vực kinh doanh. Hơn nữa lại có rất nhiều kỹ thuật, mỗi kỹ
thuật được sử dụng cho nhiều bài toán khác nhau. Vì vậy, ngay sau câu hỏi “khai phá dữ liệu là gì?”
sẽ là câu hỏi “vậy thì dùng kỹ thuật nào?”. Câu trả lời tất nhiên là không đon giản. Mỗi phương pháp đều có điểm mạnh và yếu
của nó, nhưng hầu hết các điểm yếu đều có thể khắc phục được. Vậy thì phải làm như thế nào để áp dụng kỹ thuật một cách
thật đơn giản, dễ sử dụng để không cảm thấy những phức tạp (vốn có) của kỹ thuật đó.

Để so sánh các kỹ thuật cần phải có một tập lớn các quy tắc và các phương pháp thực nghiệm tốt. Thường thì quy tắc
này không được sử dụng khi đánh giá các kỹ thuật mới nhất. Vì vậy mà những yêu cầu cải thiện độ chính xác không phải lúc
nào cũng thực hiện được.
Nhiều công ty đã đưa ra những sản phẩm sử dụng kết họp nhiều kỹ thuật khai phá dữ liệu khác nhau với hy vọng nhiều
kỹ thuật sẽ tốt hơn. Nhưng thực tế cho thấy nhiều kỹ thuật chỉ thêm nhiều rắc rối và gây khó khăn cho việc so sánh giữa các
phương pháp và các sản phẩm này. Theo nhiều đánh giá cho thấy, khi đã hiểu được các kỹ thuật và nghiên cứu tính giống nhau
giữa chúng, người ta thấy rằng nhiều kỹ thuật lúc đầu thì có vẻ khác nhau nhưng thực chất ra khi hiểu được các kỹ thuật này
thì thấy chúng hoàn toàn giống nhau. Tuy nhiên, đánh giá này cũng chỉ để tham khảo vì cho đến nay, khai phá dữ liệu vẫn còn
là kỹ thuật mới chứa nhiều tiềm năng mà người ta vẫn chưa khai thác hết.
Kết luận chương 1

Trong chương 1 tôi đã trình bày tóm tắt những hiểu biết về kho dữ liệu và KPDL, mục đích, thành phần, các phương